Personalizzazione dell'autogestione nel diabete - Studio pilota

Prove crescenti evidenziano differenze significative nella fisiologia e nella funzione glicemica degli individui e nelle loro circostanze culturali, sociali ed economiche che incidono sull'autogestione del diabete. Queste scoperte hanno aperto la strada alla medicina di precisione, un approccio alla personalizzazione del trattamento medico in base al corredo genetico, alla storia clinica e allo stile di vita di un individuo. Metodi di apprendimento computazionale sono stati utilizzati con successo per identificare fenotipi clinici-manifestazioni osservabili di malattie. Gli studi hanno mostrato i vantaggi della personalizzazione non solo delle cure mediche, ma anche degli interventi comportamentali; tuttavia, la personalizzazione si basa in genere sull'identificazione esperta di variabili di personalizzazione e regole decisionali e su sondaggi standard. I dati raccolti con l'automonitoraggio possono riflettere più accuratamente i comportamenti e gli schemi glicemici di un individuo, evidenziando così i suoi "fenotipi comportamentali", ma tali dati sono raramente utilizzati nella sartoria.

L'obiettivo costante di questa ricerca è quello di facilitare la risoluzione dei problemi nell'autogestione del diabete. Le capacità di risoluzione dei problemi ben sviluppate sono essenziali per la gestione del diabete, si traducono in migliori comportamenti di auto-cura del diabete, portano a miglioramenti nei risultati clinici e possono essere promosse con interventi faccia a faccia. Precedenti ricerche suggerivano l'identificazione del problema e la generazione di alternative come passaggi critici nella risoluzione dei problemi nel diabete. Nel lavoro precedente, i ricercatori hanno sviluppato un intervento informatico che si basava sulla conoscenza generata da esperti per assistere le persone in questi passaggi della risoluzione dei problemi. In questo studio di fattibilità pilota, i ricercatori studiano una soluzione alternativa che si basa sull'analisi del modello computazionale dei dati raccolti con tecnologie di automonitoraggio per adattare l'assistenza alla risoluzione dei problemi ai fenotipi comportamentali unici degli individui. L'intervento, GlucoType, utilizza metodi di apprendimento computazionale per identificare modelli sistematici nella dieta, nell'attività fisica e nel sonno degli individui, acquisiti con tecnologie di automonitoraggio commerciali e personalizzate e correla questi modelli con le fluttuazioni dei livelli di glucosio nel sangue degli individui. GlucoType utilizza quindi queste informazioni per 1) identificare i modelli comportamentali associati a un'elevata escursione glicemica, 2) formulare obiettivi personalizzati per modificare questi comportamenti, 3) fornire supporto decisionale in tempo reale per aiutare le persone a essere più coerenti nel raggiungere i propri obiettivi.